一份调查告诉我们的，不只是 AI 已经普及，而是法律人的专业身份、责任关系和工作方式正在一起移动。
财新 9 月 10 日转述律商联讯的一项调查：2026 年，中国内地 411 名法律专业人士中，有 406 人表示自己在工作中使用通用 AI 或专业法律 AI，约占 99%。
这个数字很有冲击力。2024 年是 66%，2025 年是 88%，到 2026 年几乎全覆盖。AI 已经不是少数年轻律师的尝试，也不是几家头部律所的创新项目。它正在变成法律工作的日常背景。
但同一份报道里，还有两个数字更加值得看：65% 的受访者担心保密性和数据安全，64% 担心输出不准确以及生成虚假内容的风险。
这两个数字放在一起，呈现出一种不太稳定的状态：AI 已经进入日常工作，但围绕它的信任、边界和责任安排还没有跟上。很多人正在私下使用，却仍然羞于在公开关系中承认自己使用了 AI。
这不是一个简单的态度问题。它背后牵涉职业身份、责任分配、组织评价，以及一个人是否愿意承认自己的工作方式已经变了。
一、法律人不是不用 AI，而是不愿意让 AI 改写自己的身份
先把一个问题说清楚：一个人不公开承认使用 AI，不一定就是在欺骗。
法律工作确实有保密要求，有客户授权问题，有机构内部政策，也有责任边界问题。尤其是涉及案件材料、商业秘密和个人信息时，使用什么工具、如何传输材料、数据是否出域，都不能靠一句“大家都在用”来解决。
但是，除了这些正当顾虑，还有一层更隐蔽的心理机制。
律师的职业形象，长期建立在几个词上：独立阅读、独立分析、独立判断、独立承担。哪怕现实中的法律工作一直离不开团队协作，很多专业评价仍然倾向于把成果归因于“这个律师的能力”。
这时候，承认“这份东西有 AI 参与”，很容易被别人听成另外几句话：
你是不是没有认真看材料？
你是不是把思考交给机器了？
如果出了问题，是不是准备把责任推给 AI？
于是，AI 被允许进入那些不太伤害职业身份的地方：摘要、翻译、格式整理、行政起草、语句润色。到了真正涉及法律分析、事实判断和策略选择的地方，很多人仍然要强调“这是我自己做的”。
这里有一种很典型的责任防御。
使用者希望得到 AI 带来的效率，却不希望承担“借助 AI 工作”的声誉成本。组织希望员工提高产出，又不愿意重新定义“专业工作是如何完成的”。客户希望更快拿到结果，却可能仍然把“纯人工完成”当成质量保证。
在人际互动里，同一句“这份初稿是 AI 帮我完成的”，在不同关系中会被赋予不同含义：上级可能把它看成效率能力，同事可能担心功劳和岗位竞争，客户可能担心服务被压缩，同行还可能把它理解成专业能力不足。使用者无法控制别人怎样解释这句话，最稳妥的选择就变成了少说、模糊说，或者只承认 AI 做了摘要和润色。
每一方都有自己的理由。结果是，AI 的使用被推入了一个半公开、半隐蔽的空间：大家都知道，但大家都不先说。
这会形成一种自我强化的行业规范。
一个人看到同行不承认，就会觉得公开承认会吃亏；更多人选择沉默以后，行业表面上就显得没有那么依赖 AI；行业看起来越保守，个体越不愿意成为第一个承认的人。
所以，表面上的“拒绝 AI”，有时并不是拒绝技术，而是拒绝承认旧的专业分工正在松动。
初级律师过去通过大量检索、摘要、整理和初稿训练自己。现在，这些工作中的一部分可以由 AI 完成。资深律师过去依靠信息差和经验差建立优势，现在也要面对一个问题：如果工具可以把很多材料快速摊开，自己的价值究竟在哪里？
这个问题不容易回答。最省事的办法，是把 AI 限定成一个“不会影响身份的小工具”。这样，工具用了，身份不变，评价体系也不用变。
但这只是把变化往后推了一步。
二、不使用 AI 未必最危险，浅层使用才可能是
很多人会把法律 AI 的风险归结为“用了 AI 会出错”。这句话没错，但还不够准确。
真正需要警惕的是：一个人只在很浅的层面使用 AI，却因为看见了流畅的输出，误以为自己已经理解了 AI。
我更愿意把法律人的 AI 使用分成三种状态。
第一种是不用。这个人可能效率不高，但他通常知道自己在手工处理，知道材料从哪里来，也知道哪些判断是自己做的。
第二种是浅使用。把材料贴进聊天框，让 AI 总结、分析、起草，再凭语言是否顺滑来判断结果好不好。
第三种才是工作流使用。让 AI 进入有明确上下文、来源、规则、工具、权限和验收标准的任务链条。
第二种状态最容易制造错觉。
在四明山法师 AI 夜校第一堂课里，我专门讲过一个容易被忽略的事实：大模型生成正确法条和错误法条，背后使用的是同一套概率机制。它猜对的时候，并没有亮起一个“我现在确定”；它猜错的时候，也不会自动弹出一个“请注意，这是幻觉”。
一条不存在的法条，可以写得和真的一样。一个错误的案例名称，可以配上完整的法院、案号和裁判观点。它的语气越稳定，越容易掩盖它没有经过验证这一事实。
这就是法律工作里最麻烦的地方。普通聊天中，答案错了，最多浪费一点时间；法律工作中，错误会披上专业文本的外衣，进入客户汇报、内部决策、诉状、答辩状、仲裁材料，甚至成为下一轮讨论的前提。
我在过去关于 AI 的交流中反复提醒大家：会打开聊天框，不等于会用 AI；会用 AI，也不等于理解 AI 的边界。
AI 的使用门槛很低，边界理解的门槛很高。前者几分钟就能完成，后者需要持续试错，知道模型为什么会错，知道哪类任务应该交给数据库、脚本或计算器，知道什么时候必须停下来人工核验。
因此，99% 的使用率只能说明“大家都已经碰到了 AI”。它不能说明 99% 的人都能把 AI 放进可靠的法律工作流。
真正危险的不是用了 AI，而是用了 AI 之后，以为自己已经懂了 AI。
三、浅使用会把个人效率，变成整个程序的摩擦
AI 进入法律行业以后，风险不会只停留在使用者身上。
法律工作有一个很特殊的特点：它生产的文本经常会进入别人的工作流。
律师写给客户的分析，可能成为企业决策的依据；企业法务写的意见，可能进入谈判材料；一份诉状、答辩状、代理意见或仲裁申请，可能交到对方律师和裁判者手里。
这意味着，AI 使用的质量会沿着关系链条传导。
如果一个使用者只把材料扔进聊天框，让模型直接生成一篇看起来完整的法律分析，他获得的是一项即时收益：更快、更长、更像一份正式文书。
但接收者看到的，通常只有结果，看不到这份结果是怎样生成的。他不知道使用者给了 AI 哪些上下文，不知道 AI 访问了什么来源，不知道有没有做法条核验，不知道哪些段落是事实提取，哪些段落只是模型推测。
这就是一个典型的信息不对称。
生产者知道过程的缺口，接收者只能面对成品的表面。由于文本写得越来越像专业成果，接收者反而需要花更多时间去确认：这个法条存在吗？这个案例真的支持这个观点吗？这一段事实来自哪份材料？这个结论是法律规则推导出来的，还是模型为了让文章完整而补出来的？
财新报道并没有直接调查法院和仲裁机构因此增加了多少工作量，所以“裁判者工作量已经增加”不能写成调查结论。
但是，从法律文书的流转机制看，可以提出一个值得警惕的推论：如果未经专业核验的深层次 AI 内容开始批量进入诉讼、仲裁和合规程序，个体节省的时间，可能会转化成其他参与者的筛选成本。
而且，这种成本很难通过增加文字来解决。
一个普通人写十页材料，未必意味着他有十页观点；一个 AI 可以很低成本地生成五十页材料，也不意味着它完成了五十页有效论证。文本供给突然变得便宜以后，真正稀缺的东西就变成了辨认、筛选和核验。
更麻烦的是，各方都有动力把 AI 隐藏起来。
对使用者来说，承认 AI 参与，可能带来声誉和责任压力；对接收者来说，在不知道对方工作流的情况下，只能把所有内容都按照“可能需要逐条核验”来处理。于是，AI 使用越普遍，过程越不透明，整个关系网络里的信任成本就越高。
我更担心的是，它会形成一种新的集体行动困境：每个人都能从低成本生产中获益，却没有人愿意承担清理和验证所有低质量输出的成本。
法律程序最终关心的，不是文字像不像判决书，也不是材料有多长，而是事实、依据、程序和论证能不能被检验。
如果 AI 让“像专业成果的文字”大量增加，却没有同步让来源和验证变得更清楚，它带来的就不只是效率，也可能是程序摩擦。
四、聊天框只是表面，真正决定结果的是里面那套控制系统
我创办四明山法师 AI 夜校，一个直接原因就是：很多人把 AI 理解成“打开一个网页，问一句话，等一个答案”。
这个理解没有错，但它只看到了界面，没有看到机制。
聊天机器人主要负责回答。Agent 则要进一步理解任务、拆解问题、规划步骤、调用工具、读取文件、写入文件、管理状态，最后把结果放回到一个可以继续工作的环境里。
这不是简单地把聊天框做大，而是把模型放进了一套控制系统。
我在课上把 Agent 的基本逻辑讲成一句话：模型负责提供智能，Harness 负责把智能放进工作流程。Harness 可以理解为 AI 的编排层，里面包括上下文、规则、工具、知识源、权限、记忆、输出格式、错误处理和复核节点。
换句话说，真正可交付的结果，大致可以按下面这个框架检查：
模型能力 × 上下文质量 × 知识源可靠性 × 工具匹配 × Harness 编排 × 人工验收
这不是一个行业统一公式，而是一个工作上的检查框架。任何一个环节接近于零，最后的结果都可能失去可用性。
如果没有这些控制，使用者面对的只是一个会说话的模型。它也许很聪明，但它不知道你的客户是谁，不知道这份材料的证据边界，不知道哪些法条必须去权威数据库核对，也不知道什么情况下应该停下来问你。
这也是为什么我在夜校第一节课里，一直强调“用哪张皮都无所谓，重点是理解逻辑”。WorkBuddy、Claude Code、Codex 或其他 Agent，界面和产品名称会变化，但背后的核心问题不会变：
你给了它什么上下文？
你允许它调用什么工具？
你有没有把经验写成规则？
你有没有给它设置停止条件？
它产出的每个关键结论，能不能回到来源？
五、一个案件工作流演示，最有价值的部分不是“写出来了”
夜校里我曾经演示过一个法律案件的多 Agent 工作流。
不是让一个聊天机器人直接“写一份裁决书”，而是把任务拆开：由不同 Agent 负责读取案件材料、提取事实、研究法律问题、检索案例和法条，再由一个总的角色汇总争议焦点，形成裁决书初稿，同时留下审核文件。
这个演示最容易让人兴奋的地方，是它能在较短时间内产出结构完整、篇幅充分的文本。对于一个只熟悉聊天框的人来说，这已经足够惊艳。
但我在课上反复提醒大家：真正重要的不是它写得像不像，而是它到底按照什么规则写出来的。
演示结果的逻辑结构可能很好，初稿也可能已经相当可用，但仍然可能出现事实采纳错误。原因可能来自原始文件转换，也可能来自印章、版式等形式信息识别不准确；如果没有接入合适的权威数据库，法条和案例也可能出现幻觉。
所以，面对一份 AI 生成的法律文本，我不会只问“整体感觉好不好”。我更关心下面这些问题：
案情采集的 Agent 读全材料了吗？
它提取的是材料记载，还是已经替我们完成了事实认定？
法律研究依据的来源是什么？
案例和法条有没有逐条核验？
总的汇总角色有没有把不同 Agent 的冲突抹平？
最终交付前，人工有没有逐字看过？
这几个问题听起来没有“AI 自动写裁决书”那么刺激，但它们决定了一份文本能不能进入真实工作。
法律 AI 的成熟，不是让机器写出一份无人能挑错的文书。至少在目前，更现实的目标是：让机器承担大量整理、比较和初稿工作，同时让错误更早暴露，让人的审查有迹可循。
我在夜校里讲过一句话：AI 是你的徒弟，不是主人。
徒弟可以替你跑腿，可以按你的方法做一遍，可以把大量材料先摊在桌面上；但你不能因为它写得快，就把目标、边界和验收一并交给它。
六、四明山法师 AI 夜校，为什么一开始就要求大家“下场”
我创办四明山法师 AI 夜校，并不是因为市场上缺少一门“AI 工具介绍课”。
恰恰相反，工具介绍已经太多了。哪个按钮怎么点，产品文档和短视频都能讲；今天流行的产品，过几个月也可能换一套界面。
我真正想解决的问题是：法律人能不能从“问 AI 一个问题”，走到“让 AI 在一个工作区里完成一段受控制的工作”。
去年讲了很多场 AI 课程、写完一本书以后，我越来越确定一件事：AI 这件事最终必须动手，听再多都没有用。
所以，夜校的设计从一开始就不是让大家坐在屏幕前听我讲完。课前要部署环境，每周要完成作业，考核要和真实操作挂钩。有人会在部署时卡住，会发现自己的电脑、工具、权限和文件结构并没有想象中那么简单；也有人会在第一次跑任务时发现，自己以为已经说清楚的要求，AI 根本没有理解。
这些卡点不是学习的副产品。它们本身就是学习内容。
只有真正跑一次，才会知道“我以为 AI 能做”与“AI 在我的条件下能做”之间有多大距离；只有结果出来，才会知道自己的工作流少了哪一层规则；只有被错误结果反过来提醒，才会开始认真区分事实、推论和语言包装。
夜校第一堂课讲 WorkBuddy、Cherry Studio 和 Agent，不是为了让大家背产品名称，而是为了建立一个过渡：从 chatbot 到工作台，再到 Agent；从只会回答，到能够读取资料、调用工具、生成文件、管理过程。
产品会换，底层逻辑不太会换。
我们最终要学的不是“哪个按钮最神奇”，而是如何让 AI 在自己的业务场景里可控、可约束、可复盘。
七、从“会用”到“可负责”，至少要过四道门
如果把 AI 真正放进法律工作，我认为至少要过四道门。
第一，边界门
先判断任务是什么性质。
需要计算的，不要只让大模型凭语言预测；需要固定格式转换的，不要反复消耗模型；需要查现行法条和案例的，不要把记忆里的答案当作数据库。
确定性任务尽量交给确定性工具。模型真正有价值的地方，是处理需要语义理解、比较和规划的部分。
第二，来源门
法律文本中出现的法条、案例、数据和事实，都要能回到来源。
检索不到、核验不到、来源不清楚的内容，不应该因为写得完整就进入正式结论。一个法律人不能用“AI 这么说的”替代来源，也不能用“看起来合理”替代核验。
第三，流程门
把上下文、规则、工具、权限和输出标准组织起来。
复杂任务可以让一个 Agent 负责执行，另一个独立会话负责检查；可以把事实层和法律知识层分开；可以把每一次发现的错误沉淀为下一次任务的规则。
但这些都不是加几个提示词就结束了。工作流要经过真实任务的测试，知道哪里会漏读、哪里会越权、哪里会产生幻觉、哪里需要人工介入。
第四，责任门
最终结果必须有人验收，也必须有人愿意承担后果。
这不是把人工复核神化。人也会遗漏，也会自信，也会因为赶时间而放过错误。正因为如此，人工验收也要有底稿、来源、检查点和必要的独立复核，而不是最后随便看一眼。
AI 不能成为免责理由。真正专业的做法，是把 AI 做了什么、依据什么做、哪里可能错、谁进行了复核，尽量留下可以追溯的工作痕迹。
结语：真正的分水岭，是能不能把边界说清楚
411 名受访者中有 406 人表示在工作中使用 AI，这件事本身不值得羞耻，也不值得炫耀。
它首先是一个事实。
接下来真正拉开差距的，不是谁更早打开了某个聊天框，而是谁能把 AI 放进一条可靠的工作流：知道它能做什么，知道它不能做什么，知道什么时候应该调用工具，知道什么时候必须停下来核验。
承认使用 AI，不等于放弃专业判断。相反，只有承认 AI 参与了工作，才有可能认真讨论数据边界、工具选择、来源核验和责任承担。
不使用 AI，未必就是谨慎；使用 AI，也未必就是进步。关键在于，使用者有没有把自己的无知、工具的局限和结果的风险放到明面上来。
四明山法师 AI 夜校想做的事情，说到底不是制造一批会点标签的人，而是让更多法律人有机会真正进入 AI 的工作现场。先动手，再卡住；先跑通，再发现问题；再把问题变成规则，把规则变成自己的工作资产。
AI 让答案变得便宜了。真正昂贵的，仍然是知道哪些答案不能直接拿去负责。
作者简介： 陈石律师（主页 chenshi.ai），浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，第十届宁波市律师协会常务理事、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办“首宗百亿地王”“长春第一高楼”“台州第一高楼”等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。